一种无线通信自动调制识别方法、装置与系统制造方法及图纸

本发明专利技术提供一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。本发明专利技术在高信噪比下，与现有的深度学习模型相比，所提的GuResNet的调制识别精度好于其他的DL模型；在低信噪比下，所提出的信噪比感知机制，可以显著提升识别性能。著提升识别性能。著提升识别性能。

【技术实现步骤摘要】
一种无线通信自动调制识别方法、装置与系统


[0001]本专利技术涉及无线通信
、尤其涉及低信噪比环境中高精度智能调制识别的方法和系统。

技术介绍

[0002]自动调制识别(automatic modulation recognition，AMR)技术在军事和民事中都有广泛的应用，例如电子对抗，信号侦查和频谱检测。现有的自动调制识别方法通常分为基于似然(likelihood
‑
based，LB)的方法和基于特征(feature
‑
based，FB)的方法。具体而言，基于似然的方法在假设已知信道信息(例如，信道衰落模型)的条件下构造似然函数。然后，最大化似然函数获得接收信号可能的调制类别。然而，在实际环境中很难获得精确的信道信息，从而导致LB方法难以广泛应用。基于特征的方法可以显著解决以上问题。传统基于特征的方法包含两步，分别为特征提取和模式识别。对于特征提取，人工提取信号特征，例如高阶累积量、循环谱特征和星座图特征等。对于模式识别，基于提取的特征构造合适的分类器(例如决策树，支持向量机)识别该特征，从而区分信号不同的调制方式。然而，传统的FB方法严重依赖于人工提取的信号特征，而这些特征可能是低质量的，从而导致较低的调制识别精度。
[0003]近年来，深度学习(deep learning，DL)成功应用于各种领域，例如计算机视觉和语音分析。深度学习依赖多层神经网络自动抽象和提取高质量的特征，展示出强有力的分类和预测能力。因此，基于深度学习的FB方法已经开始应用于AMR任务以解决传统FB方法存在的问题。现有研究普遍基于成熟的用于图像分类任务的DL架构(例如，卷积神经网络)，在高斯白噪声(additive white gaussian noise，AWGN)和多径信道中表现很好。然而，在实际的通信信道中通常还包含一些其他的自然和人工的损伤，例如载波频率偏移、时钟漂移和相位偏移。并且这些损伤导致信号出现未知的缩放、平移和翻转，从而增加了AMR难度。现有研究由于直接采用DL模型，没有结合信号自身的特性(例如，时域信号包络特征)进行针对性设计，在包含损伤的信道环境中，难以保障高的识别精度。因此，有必要探索更加有效的DL架构，并结合信号特性提升AMR性能。
[0004]深度残差网络(deep residual network，ResNet)，主要包含输入模块、残差单元和输出模块，在图像分类任务中取得的性能好于一些其他的DL模型(例如，GoogLeNet模型，VGG模型)。一些研究开始在更加实际的通信场景中应用残差网络进行AMR，然而在低信噪比下(信噪比低于0dB)也无法提供很好的性能。存在的问题如下：对于输入模块，首先采用7
×
7的大尺寸卷积核，难以学习信号特征细节。卷积操作之后紧接着是池化层，其包含一些下采样操作，损失部分信号特征。对于残差单元，残差网络通常简单堆叠多个残差单元(例如，16个残差单元)，基于低层特征(例如边缘，梯度特征)抽象高层特征图(例如，信号包络特征)，导致网络更加复杂，容易过拟合。对于输出模块，通常采用全连接层将特征图转换为类别，极大增加了网络训练参数，使得网络泛化能力差。
[0005]此外，在低信噪比场景下信号容易淹没在噪声中，导致深度学习模型难以有效的
抽象信号特征，并且现有的模型训练机制通常不区分信噪比训练深度学习模型，增加了模型识别的复杂度。

技术实现思路

[0006]本专利技术针对上述问题，根据本专利技术的第一方面，提出一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。
[0007]在本专利技术的一个实施例中，其中残差单元包括1个ConvBlackA单元和5个ConvBlackB单元。
[0008]在本专利技术的一个实施例中，其中输入模块包括：5
×
5卷积层、BN层和PReLU层。
[0009]在本专利技术的一个实施例中，其中输出模块包括：PReLU层、Gaussian Dropout层、GAP层和Softmax层。
[0010]根据本专利技术的第二方面，提供一种无线通信系统的自动调制识别模型的训练方法，包括
[0011]步骤200：利用信噪比小于等于低信噪比阈值的信号，使用二阶勒让德多项式提取所述信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，获取对应于不同的低信噪比信号的多个训练样本；
[0012]步骤300：使用所述对应于不同的低信噪比信号的多个训练样本训练本专利技术的用于无线通信自动调制识别的神经网络系统，以得到对应于不同的低信噪比的多个神经网络模型，其中每个低信噪比神经网络模型对应于一个低信噪比范围。
[0013]在本专利技术的一个实施例中，在步骤200之前，还包括使用所有信噪比下的信号样本训练本专利技术的用于无线通信自动调制识别的神经网络系统，以得到一个通用的网络模型以及超参数，包括：采用信号的多个连续采样点的同向分量和正交分量特征形成行数为2的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，使用多个训练样本进行训练。
[0014]根据本专利技术的第三方面，提供一种无线通信系统的自动调制识别方法，
[0015]包括：
[0016]步骤1000：对于接收到的基带复信号，采用信噪比估计算法，利用信号的时域和频域特性，估计该信号的信噪比值；
[0017]步骤2000：提取信号特征，当信噪比小于或等于预定的低信噪比阈值时，使用二阶勒让德多项式提取信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵，将其作为一个特征矩阵，将所述特征矩阵输入经本专利技术的无线通信系统的自动调制识别模型的训练方法训练的适用于该信号的对应低信噪比范围的低信噪比神经网络模型，识别所述信号的调制方式。
[0018]在本专利技术的一个实施例中，其中步骤2000还包括：
[0019]步骤2100：如果该信号的信噪比大于低信噪比阈值，采用多个连续采样点的同向分量和正交分量特征以形成行数为2的矩阵，将其作为一个特征矩阵，将所述特征矩阵输入经本专利技术的无线通信系统的自动调制识别模型的训练方法训练的通用模型，识别所述信号的调制方式。
[0020]根据本专利技术的第四方面，提供一种计算机可读存储介质，其中存储有一个或者多个计算机程序，所述计算机程序在被执行时用于实现本专利技术的无线通信系统的自动调制识别方法或无线通信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于无线通信自动调制识别的神经网络系统，包括输入模块、残差单元和输出模块，其中，所述输入模块用于接受待识别的无线通信信号，获取所述信号的特征并将所述特征输送到所述残差单元，残差单元包括一个ConvBlackA单元和多个ConvBlackB单元，其中ConvBlackA包含三个Conv2D层、两个BN层，两个Gaussian Dropout层和两个PReLU层，ConvBlackB在ConvBlackA的基础上增加了一个BN层、一个Gaussian Dropout层和一个PReLU层；所述输出模块用于接收所述残差单元的输出，产生所述信号的调制识别结果。2.根据权利要求1所述的神经网络系统，其中残差单元包括5个ConvBlackB单元。3.根据权利要求1
‑
2之一所述的神经网络系统，其中输入模块包括：5
×
5卷积层、BN层和PReLU层。4.根据权利要求1
‑
2之一所述的神经网络系统，其中输出模块包括：PReLU层、Gaussian Dropout层、GAP层和Softmax层。5.一种无线通信系统的自动调制识别模型的训练方法，包括步骤200：利用信噪比小于等于低信噪比阈值的信号，使用二阶勒让德多项式提取所述信号的五维特征，采用多个连续采样点的五维特征以形成行数为5的矩阵作为一个特征矩阵,将该特征矩阵作为一个训练样本，获取对应于不同的低信噪比信号的多个训练样本；步骤300：使用所述对应于不同的低信噪比信号的多个训练样本训练权利要求1
‑
4任意一项的系统，以得到对应于不同的低信噪比的多个神经网络模型，其中每个低信噪比神经网络模型对应于一个低信噪比范...

【专利技术属性】
技术研发人员：杨静雅，周一青，刘玲，彭燕，石晶林，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：